Por Enrique García Ceja y Jesús Pérez Díaz
La transformación digital ha conectado a millones de personas y empresas en América Latina, pero también ha ampliado la superficie de ataque para los ciberdelincuentes.
Hoy, un ataque informático puede paralizar hospitales, interrumpir servicios públicos, afectar instituciones financieras o comprometer la operación de proveedores de Internet.
La investigación 3MuViS, 3-Phase Multi-View Stacking: A Model Selection Algorithm for Multi-View Fusion busca desarrollar modelos de inteligencia artificial capaces de detectar amenazas en infraestructura crítica de navegación en línea, incluyendo proveedores de servicios de Internet (ISP), puntos de intercambio de Internet (IXP), proveedores de tránsito e Internet de las Cosas (IoT).
¿Qué es el aprendizaje multivista?
Los ataques actuales generan enormes cantidades de información. Cada conexión de red produce diferentes tipos de datos, como características del tráfico, estadísticas de comunicación y comportamiento de los dispositivos. Tradicionalmente, muchos sistemas de detección analizan únicamente una parte de esa información, lo que puede dificultar la identificación de crímenes más sofisticados.
Superar esta limitación implica un enfoque conocido como aprendizaje multivista (Multi-View Learning). En lugar de analizar una sola representación de los datos, estos modelos observan simultáneamente múltiples vistas del mismo evento, donde cada una aporta información complementaria sobre el comportamiento de la red.
Posteriormente, un modelo de Inteligencia Artificial integra todas esas perspectivas para generar una decisión más precisa que la obtenida por cada modelo de forma individual.
Esta estrategia, denominada Multi-View Stacking —apilamiento de múltiples vistas— permite aprovechar las fortalezas de distintos algoritmos y mejorar la capacidad para identificar amenazas complejas.
Un algoritmo de tres fases
Como parte del proyecto, se desarrolló el 3MuViS (Three-Phase Multi-View Stacking) o algoritmo de apilamiento trifásico de múltiples vistas que automatiza la selección de los modelos de IA más adecuados para cada fuente de información.
Los resultados muestran que, en lugar de depender de un largo proceso de prueba y error, el sistema identifica de manera automática la mejor combinación de algoritmos para cada problema, reduciendo considerablemente el costo computacional sin sacrificar precisión.
Las evaluaciones realizadas con conjuntos de datos de ciberseguridad y otras aplicaciones demostraron que este enfoque supera consistentemente a estrategias tradicionales y logra resultados cercanos a las mejores configuraciones posibles utilizando una fracción del tiempo de procesamiento.
Estos resultados muestran el potencial del aprendizaje multivista para desarrollar sistemas de detección más robustos y adaptables. Además, la metodología es aplicable no solo a ciberseguridad, sino también a áreas como salud, reconocimiento de actividades humanas y análisis biomédico.
Llevar el método a otras disciplinas
Otro resultado importante del proyecto fue el desarrollo de multiviewstacking o apilamiento de múltiples vistas es una librería de software de código abierto para el lenguaje de programación Python, que permite a investigadores y desarrolladores construir modelos multivista sin implementar los algoritmos desde cero [2]. Esta herramienta facilita que otros grupos científicos puedan reproducir, validar y extender los avances obtenidos, acelerando la innovación en múltiples disciplinas.
Este tipo de investigación cobra especial relevancia para América Latina, pues de acuerdo con reportes recientes de empresas especializadas en ciberseguridad, la región registra cientos de miles de millones de intentos de ataques cibernéticos cada año.
Entre las amenazas más frecuentes se encuentran el ransomware (o software de secuestro), los ataques distribuidos de denegación de servicio (DDoS) —que saturan un sistema o servidor con solicitudes para impedir que los usuarios legítimos accedan a él—, el robo de credenciales (la obtención ilícita de contraseñas, nombres de usuario u otros datos para acceder a cuentas o sistemas) y el malware (o software malicioso), los cuales afectan tanto a organizaciones públicas como privadas.
A nivel regional, Brasil, México y Colombia concentraron nueve de cada 10 ataques registrados en América Latina [3].
Para países en proceso de acelerada digitalización, detectar un ataque durante sus primeras etapas puede evitar pérdidas económicas millonarias, proteger servicios esenciales y reducir el impacto sobre millones de usuarios. Contar con modelos de IA capaces de analizar grandes volúmenes de información en tiempo real representa una ventaja estratégica para fortalecer la resiliencia digital de la región.
Referencias
- Villegas-Morales, G., Garcia-Ceja, E., Hinojosa, S., Pérez-Díaz, J. A., & Zareei, M. (2026). 3MuViS, 3-Phase Multi-View Stacking: A Model Selection Algorithm for Multi-View Fusion. Machine Learning and Knowledge Extraction, 8(8), 227.
- Garcia-Ceja, E. (2026). multiviewstacking: A Python Package for Training Multi-View Stacking Classifiers. Journal of Open Research Software, 14(1), 41.
- Statista. (2025) Cyber crime in Latin America – statistics & facts. Updated Dec 17, 2025.
Autores
Enrique García Ceja. Profesor investigador del Departamento de Computación, de la Escuela de Ingeniería y Ciencias del Tecnológico de Monterrey, campus Guadalajara. Trabajó como científico de datos en Optimeering, Noruega, y como investigador en SINTEF, Noruega. Realizó un posdoctorado en la Universidad de Oslo y obtuvo su doctorado y maestría en sistemas inteligentes en el Tecnológico de Monterrey. También trabajó como ingeniero de software en Huawei. Autor del libro «Behavior Analysis with Machine Learning Using R».
Jesús Arturo Pérez Díaz. Profesor investigador de la Escuela de Ingeniería y Ciencias del Tec de Monterrey, campus Guadalajara. Es Doctor en Ciencias Computacionales por la Universidad de Oviedo e Investigador Nacional nivel 1. Sus líneas de investigación en Ciberseguridad incluyen la detección y mitigación de ciberataques (DDos, High-rate y Slow rate) y Ransomware usando modelos de IA generativa, con los que ha diseñado y desplegado frameworks para Redes definidas por software(SDN).
